Analisi Univariata Metodi Quantitativi per Economia, Finanza e Management Esercitazione n°3 Forma della Distribuzione • La forma della distribuzione si dice simmetrica se le osservazioni sono bilanciate, o distribuite in modo approssimativamente regolare attorno al centro. Distribuzione Simmetrica 120 100 60 40 20 0 Frequenza 80 10 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 Forma della Distribuzione • La forma della distribuzione è detta asimmetrica se le osservazioni non sono distribuite in modo simmetrico rispetto al centro. Distribuzione con Asimmetria Positiva 12 10 Frequenza Una distribuzione con asimmetria positiva (obliqua a destra) ha una coda che si estende a destra, nella direzione dei valori positivi. 8 6 4 2 0 1 2 3 4 5 6 7 8 9 8 9 Distribuzione con Asimmetria Negativa 12 10 Frequenza Una distribuzione con asimmetria negativa (obliqua a sinistra) ha una coda che si estende a sinistra, nella direzione dei valori negativi. 8 6 4 2 0 1 2 3 4 5 6 7 Misure di Forma della Distribuzione • Descrive come i dati sono distribuiti • Misure della forma – Simmetrica o asimmetrica Obliqua a sinistra Media < Mediana Simmetrica Media = Mediana Obliqua a destra Mediana < Media Misure di Forma della Distribuzione Skewness: indice che informa circa il grado di simmetria o asimmetria di una distribuzione. – γ=0 ditribuzione simmetrica; – γ<0 asimmetria negativa (mediana>media); – γ>0 asimmetria positiva (mediana<media). Kurtosis: indice che permette di verificare se i dati seguono una distribuzione di tipo Normale (simmetrica). – β=3 se la distribuzione è “Normale”; – β<3 se la distribuzione è iponormale (rispetto alla distribuzione di una Normale ha densità di frequenza minore per valori molto distanti dalla media); – β>3 se la distribuzione è ipernormale (rispetto alla distribuzione di una Normale ha densità di frequenza maggiore per i valori molto distanti dalla media). Esempio Importo totale accredito stipendio Skewness>0 asimmetria positiva (mediana<media). Kurtosis<3 : la distribuzione è iponormale (rispetto alla distribuzione di una Normale ha densità di frequenza minore per valori molto distanti dalla media); Output in HTML PROC FREQ - Descrizione La PROC FREQ permette di calcolare le distribuzioni di frequenza univariate per variabili qualitative e quantitative discrete PROC FREQ – Sintassi generale 1/2 Distribuzione di frequenza univariata proc freq data= dataset options; tables variabile /options; run; OPTIONS: • noprint non mostra i risultati nella finestra di output • /missing considera anche i missing nel calcolo delle frequenze PROC FREQ: Esempio 1 Variabile qualitativa: operatore telefonico proc freq data=corso.telefonia; table operatore; run; Output PROC FREQ Frequenza assoluta: consiste nell’associare a ciascuna categoria, o modalità, il numero di volte in cui compare nei dati operatore Frequenza relativa: rapporto tra la frequenza assoluta ed il numero complessivo delle osservazioni effettuate Frequency Percent Frequenze cumulate Cumulative Cumulative Frequency Percent Tim 55 23.31 55 23.31 Tre 12 5.08 67 28.39 Vodafone 154 65.25 221 93.64 Wind 15 6.36 236 100 PROC FREQ: Esempio 2 Variabile quantitativa discreta: numero medio giorni utilizzo alla settimana telefono fisso proc freq data=corso.telefonia; table fisso_g; run; Output PROC FREQ fisso_g fisso_g Frequency Percent Cumulative Cumulative Frequency Percent 0 27 11.44 27 11.44 9 3.81 36 15.25 1 10 4.24 46 19.49 2 19 8.05 65 27.54 3 21 8.90 86 36.44 4 14 5.93 100 42.37 5 19 8.05 119 50.42 6 9 3.81 128 54.24 7 108 45.76 236 100.00 0.5 PROC FREQ: Esempio 3 Variabile qualitativa: secondo motivo di utilizzo mezzi di comunicazione proc freq data=corso.telefonia; table motivo_utilizzo_2 / missing; run; OPZIONE missing: considera anche i missing nel calcolo delle frequenze Output PROC FREQ MISSING motivo_utilizzo_2 Frequency Percent Cumulative Cumulative Frequency Percent 24 10.17 24 10.17 Altro 2 0.85 26 11.02 Famigliari 40 16.95 66 27.97 Partner 22 9.32 88 37.29 Piacere/Tempo libero 128 54.24 216 91.53 Studio 8.47 236 100.00 20 Output PROC FREQ motivo_utilizzo_2 Altro Frequency Percent Cumulative Cumulative Frequency Percent 2 0.94 2 0.94 Famigliari 40 18.87 42 19.81 Partner 22 10.38 64 30.19 128 60.38 192 90.57 20 9.43 212 100.00 Piacere/Tempo libero Studio Frequency Missing = 24 PROC FREQ – Sintassi generale 2/2 Distribuzione di frequenza univariata con variabile di classificazione proc freq data= dataset options; by variabile_1; tables variabile_2 /options; run; PROC FREQ: Esempio 4 Distribuzione di frequenza univariata con variabile di classificazione proc sort data=corso.telefonia; by sesso; run; proc freq data=corso.telefonia; by sesso; tables operatore; run; PROC SORT: ordinare le osservazioni in base alla variabile di by Output PROC FREQ sesso=F operatore Frequency Percent Cumulative Frequency Cumulative Percent Tim 27 27.00 27 27.00 Tre 7 7.00 34 34.00 63 63.00 97 97.00 3 3.00 100 100.00 Vodafone Wind sesso=M operatore Frequency Percent Cumulative Frequency Cumulative Percent Tim 28 20.59 28 20.59 Tre 5 3.68 33 24.26 Vodafone 91 66.91 124 91.18 Wind 12 8.82 136 100.00 PROC UNIVARIATE - Descrizione La PROC UNIVARIATE permette di calcolare • misure di sintesi di posizione, variabilità, forma per variabili quantitative continue PROC UNIVARIATE – Sintassi 1/2 Distribuzione di frequenza univariata proc univariate data= dataset options; var variabile; run; OPTIONS: • noprint non mostra i risultati nella finestra di output PROC UNIVARIATE – Esempio 1 Misure di sintesi della variabile quantitativa discreta numero medio sms inviati al giorno proc univariate data=corso.telefonia; var num_sms_e; run; Output PROC UNIVARIATE (1/5) Misure di tendenza centrale • Media aritmetica: somma dei valori diviso il numero di valori • Mediana: in una lista ordinata, la mediana è il valore “centrale” (50% sopra, 50% sotto) • Moda: valore che occorre più frequentemente Basic Statistical Measures Location Variability Mean 24.31356 Std Deviation 28.46175 Median 10.00000 Variance 810.07147 Mode 10.00000 Range 100.00000 Interquartile Range 25.00000 Output PROC UNIVARIATE (2/5) Misure di Variabilità • Scarto Quadratico Medio [Std Deviation]: mostra la variabilità rispetto alla media • Varianza [Variance]: media dei quadrati delle differenze fra ciascuna osservazione e la media • Campo di Variazione [Range]: differenza tra il massimo e il minimo dei valori osservati • Differenza Interquartile [Interquartile Range]: 3° quartile – 1° quartile Basic Statistical Measures Location Variability Mean 24.31356 Std Deviation 28.46175 Median 10.00000 Variance 810.07147 Mode 10.00000 Range 100.00000 Interquartile Range 25.00000 Output PROC UNIVARIATE (3/5) Quantiles (Definition 5) Quantile Estimate 100% Max 100 99% 100 95% 100 90% 70 75% Q3 30 50% Median 10 25% Q1 5 10% 2 5% 2 1% 1 0% Min 0 I Quartili dividono la sequenza ordinata dei dati in 4 segmenti contenenti lo stesso numero di valori • • • Il primo quartile, Q1, è il valore per il quale il 25% delle osservazioni sono minori di esso e il 75% sono maggiori Q2 coincide con la mediana (50% sono minori, 50% sono maggiori) Il terzo quartile, Q3, è il valore per il quale il 75% delle osservazioni sono minori di esso e il 25% sono maggiori Output PROC UNIVARIATE (4/5) • Coeff di variazione [Coeff Variation]: misura la variabilità relativa rispetto alla media (%) s CV |x | 100% Moments N 236 Sum Weights 236 Mean 24.3135593 Sum Observations 5738 Std Deviation 28.4617546 Variance 810.071475 Skewness 1.59619131 Kurtosis 1.44200254 Uncorrected SS 329878 Corrected SS 190366.797 Coeff Variation Std Error Mean 1.85270242 117.061242 Output PROC UNIVARIATE (5/5) Misure di Forma della Distribuzione • • Skewness: indice che informa circa il grado di simmetria o asimmetria di una distribuzione – γ=0 distribuzione simmetrica – γ<0 asimmetria negativa (mediana>media) – γ>0 asimmetria positiva (mediana<media) Kurtosis: indice che permette di verificare se i dati seguono una distribuzione di tipo Normale (simmetrica) – β=3 se la distribuzione è “Normale” – β<3 se la distribuzione è iponormale – β>3 se la distribuzione è ipernormale Moments N 236 Sum Weights 236 Mean 24.3135593 Sum Observations 5738 Std Deviation 28.4617546 Variance 810.071475 Skewness 1.59619131 Kurtosis 1.44200254 Uncorrected SS 329878 Corrected SS 190366.797 Coeff Variation Std Error Mean 1.85270242 117.061242 PROC UNIVARIATE – Esempio 2 Misure di sintesi della variabile quantitativa continua numero medio ore utilizzo al giorno telefono cellulare proc univariate data=corso.telefonia; var cell_h; run; PROC UNIVARIATE – Sintassi 2/2 Distribuzione di frequenza univariata con variabile di classificazione proc univariate data= dataset options; class variabile_1 (options); var variabile_2; run; OPTIONS: • noprint non mostra i risultati nella finestra di output • (missing) considera anche la categoria “missing” (contenente tutti i valori mancanti) della variabile di classificazione PROC UNIVARIATE – Esempio 3 Misure di sintesi della variabile numero medio ore utilizzo al giorno telefono cellulare suddivisa per sesso proc univariate data=corso.telefonia; class sesso; var cell_h; run; PROC UNIVARIATE – Esempio 4 Misure di sintesi della variabile numero medio ore utilizzo al giorno telefono cellulare suddivisa per hobby con opzione “missing” proc univariate data=corso.telefonia; class hobby_3(missing); var cell_h; run; BOX PLOT X minimo 25% Q1 Mediana Q3 (Q2) 25% 25% X massimo 25% Sequenza ordinata di valori assunti da una variabile Differenza Interquartile OUTLIERS: Q1 - 1,5 * Differenza interquartile Q3 + 1,5 * Differenza interquartile SAS INSIGHT: Box Plot (1/2) SAS INSIGHT: Box Plot (2/2)